正则表达式

译名问题

Regular Expression的“Regular”一般被译为“正则”、“正规”、“常规”。此处的“Regular”即是“规则”、“规律”的意思，Regular Expression即“描述某种规则的表达式 ”之意。

[编辑 ] 基本概念

一个正则表达式通常被称为一个模式 (pattern) ，为用来描述或者匹配一系列符合某个句法 规则的字符串 。例如：Handel 、Händel 和 Haendel 这三个字符串，都可以由“H(a|ä|ae)ndel ”这个模式来描述。大部分正则表达式的形式都有如下的结构：

选择

|

竖直分隔符代表选择。例如“ gray|grey ”可以匹配grey或gray。

数量限定

某个字符后的数量限定符用来限定前面这个字符允许出现的个数。最常见的数量限定符包括“ + ”、“ ? ”和“ * ”（不加数量限定则代表出现一次且仅出现一次）：

+

加号代表前面的字符必须至少出现一次。(1次、或多次)。例如，“ goo+gle ”可以匹配 google 、 gooogle 、 goooogle 等;

 ?

问号代表前面的字符最多只可以出现一次。(0次、或1次)。例如，“ colou?r ”可以匹配 color 或者 colour ;

*

星号代表前面的字符可以不出现，也可以出现一次或者多次。(0次、或1次、或多次)。例如，“ 0*42 ”可以匹配 42 、 042 、 0042 、 00042 等。

匹配

圆括号可以用来定义操作符的范围和优先度。例如，“ gr(a|e)y ”等价于“ gray|grey ”，“ (grand)?father ”匹配 father 和 grandfather 。

上述这些构造子都可以自由组合，因此，“H(ae?|ä)ndel ”和“H(a|ae|ä)ndel ”是相同的。

精确的语法可能因不同的工具或程序而异。

[编辑 ] 历史

最初的正则表达式出现于理论计算机科学 的自动控制 理论和形式化语言 理论中。在这些领域中有对计算（自动控制）的模型和对形式化语言 描述与分类的研究。1940年代 ，Warren McCulloch与Walter Pitts将神经系统 中的神经元描述成小而简单的自动控制元。在1950年代 ，数学家斯蒂芬·科尔·克莱尼 利用称之为“正则集合”的数学符号来描述此模型。肯·汤普逊 将此符号系统引入编辑器QED ，然后是Unix 上的编辑器ed ，并最终引入grep 。自此，正则表达式被广泛地使用于各种Unix或者类似Unix的工具，例如Perl 。

Perl正则表达式源自于Henry Spencer写的regex，它已经演化成了pcre（Perl兼容正则表达式，Perl Compatible Regular Expressions），一个由Philip Hazel开发的，为很多现代工具所使用的库。

各计算机语言之间的正则表达式的集成目前开展的很差。未来的Perl6的子项目Apocalypse的设计中已考虑到了这点。

[编辑 ] 形式化语言理论

正则表达式可以用形式化语言 理论的方式来表达。正则表达式由常量和算子组成，它们分别指示字符串的集合和在这些集合上的运算。给定有限字母表 Σ 定义了下列常量:

• (“空集 ”) ∅ 指示集合 ∅
• (“空串 ”) ε 指示集合 {ε}
• (“文字字符 ”) 在 Σ 中的 a 指示集合 {a }

定义了下列运算:

• (“串接 ”) RS 指示集合 { αβ | α ∈ R ∧ β ∈ S }。例如 {"ab"|"c"}{"d"|"ef"} = {"abd", "abef", "cd", "cef"}。
• (“选择”) R |S 指示 R 和 S 的并集。
• (“Kleene星号 ”) R * 指示包含 ε 并且闭包 在字符串串接下的 R 的最小超集 。这是可以通过 R 中的零或多个字符串的串接得到所有字符串的集合。例如，{"ab", "c"}* = {ε, "ab", "c", "abab", "abc", "cab", "cc", "ababab", ... }。

上述常量和算子形成了克莱尼代数 。

很多课本使用对选择使用符号 ∪ , + 或 ∨ 替代竖杠。

为了避免括号，假定 Kleene 星号有最高优先级，接着是串接，接着是并集。如果没有歧义则可以省略括号。例如，(ab)c 可以写为 abc 而 a|(b(c*)) 可以写为 a|bc* 。

例子:

• a|b* 指示 {ε, a , b , bb , bbb , ...}。
• (a|b)* 指示由包括空串、任意数目个 a 或 b 字符组成的所有字符串的集合。
• ab*(c|ε) 指示开始于一个 a 接着零或多个 b 和最终可选的一个 c 的字符串的集合。

正则表达式的形式定义故意非常精简，避免定义多余的量词 ? 和 + ，它们可以被表达为: a+ = aa* 和 a? = (a|ε) 。有时增加补算子 ~ ；~R 指示在 Σ* 上的不在 R 中的所有字符串的集合。补算子是多余的，因为它使用其他算子来表达(尽管计算这种表示的过程是复杂的，而结果可能指数性的增大)。

这种意义上的正则表达式可以表达正则语言 ，精确的是可被有限状态自动机 接受的语言类。但是在简洁性上有重要区别。某类正则语言只能用大小指数增长的自动机来描述，而要求的正则表达式的长度只线性的增长。正则表达式对应于乔姆斯基层级 的类型-3文法 。在另一方面，在正则表达式和不导致这种大小上的爆炸的非确定有限状态自动机 (NFA)之间有简单的映射；为此 NFA 经常被用作正则表达式的替代表示。

我们还要在这种形式化中研究表达力。如下面例子所展示的，不同的正则表达式可以表达同样的语言: 这种形式化中存在着冗余。

有可能对两个给定正则表达式写一个算法 来判定它们所描述的语言是否本质上相等，简约每个表达式到极小确定有限自动机，确定它们是否同构 （等价）。

这种冗余可以消减到什么程度? 我们可以找到仍有完全表达力的正则表达式的有趣的子集吗? Kleene 星号和并集明显是需要的，但是我们或许可以限制它们的使用。这提出了一个令人惊奇的困难问题。因为正则表达式如此简单，没有办法在语法上把它重写成某种规 范形式。过去公理化的缺乏导致了星号高度问题 。最近 Dexter Kozen 用克莱尼代数 公理化了正则表达式。

很多现实世界的“正则表达式”引擎实现了不能用正则表达式代数表达的特征。

[编辑 ] 表达式全集

正则表达式有多种不同的风格。下表是在PCRE中元字符及其在正则表达式上下文中的行为的一个完整列表：

字符	描述
/	将下一个字符标记为一个特殊字符、或一个原义字符、或一个向后引用、或一个八进制转义符。例如，“n ”匹配字符“n ”。“/n ”匹配一个换行符。串行“// ”匹配“/ ”而“/( ”则匹配“( ”。
^	匹配输入字符串的开始位置。如果设置了RegExp对象的Multiline属性，^也匹配“/n ”或“/r ”之后的位置。
$	匹配输入字符串的结束位置。如果设置了RegExp对象的Multiline属性，$也匹配“/n ”或“/r ”之前的位置。
*	匹配前面的子表达式零次或多次。例如，zo*能匹配“z ”以及“zoo ”。*等价于{0,}。
+	匹配前面的子表达式一次或多次。例如，“zo+ ”能匹配“zo ”以及“zoo ”，但不能匹配“z ”。+等价于{1,}。
?	匹配前面的子表达式零次或一次。例如，“do(es)? ”可以匹配“does ”或“does ”中的“do ”。?等价于{0,1}。
{n }	n 是一个非负整数。匹配确定的n 次。例如，“o{2} ”不能匹配“Bob ”中的“o ”，但是能匹配“food ”中的两个o。
{n ,}	n 是一个非负整数。至少匹配n 次。例如，“o{2,} ”不能匹配“Bob ”中的“o ”，但能匹配“foooood ”中的所有o。“o{1,} ”等价于“o+ ”。“o{0,} ”则等价于“o* ”。
{n ,m }	m 和n 均为非负整数，其中n <=m 。最少匹配n 次且最多匹配m 次。例如，“o{1,3} ”将匹配“fooooood ”中的前三个o。“o{0,1} ”等价于“o? ”。请注意在逗号和两个数之间不能有空格。
?	当该字符紧跟在任何一个其他限制符（*,+,?，{n }，{n ,}，{n ,m }）后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串“oooo ”，“o+? ”将匹配单个“o ”，而“o+ ”将匹配所有“o ”。
.	匹配除“/ n ”之外的任何单个字符。要匹配包括“/ n ”在内的任何字符，请使用像“[./ n ] ”的模式。
(pattern)	匹配pattern并获取这一匹配。所获取的匹配可以从产生的Matches集合得到，在VBScript中使用SubMatches集合，在JScript中则使用$0…$9属性。要匹配圆括号字符，请使用“/( ”或“/) ”。
(?:pattern)	匹配pattern但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用或字符“(|) ”来组合一个模式的各个部分是很有用。例如“industr(?:y|ies) ”就是一个比“industry|industries ”更简略的表达式。
(?=pattern)	正向预查，在任何匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如，“Windows(?=95|98|NT|2000) ”能匹配“Windows2000 ”中的“Windows ”，但不能匹配“Windows3.1 ”中的“Windows ”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。
(?!pattern)	负向预查，在任何不匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如“Windows(?!95|98|NT|2000) ”能匹配“Windows3.1 ”中的“Windows ”，但不能匹配“Windows2000 ”中的“Windows ”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始
x|y	匹配x或y。例如，“z|food ”能匹配“z ”或“food ”。“(z|f)ood ”则匹配“zood ”或“food ”。
[xyz]	字符集合。匹配所包含的任意一个字符。例如，“[abc] ”可以匹配“plain ”中的“a ”。
[^xyz]	负值字符集合。匹配未包含的任意字符。例如，“[^abc] ”可以匹配“plain ”中的“p ”。
[a-z]	字符范围。匹配指定范围内的任意字符。例如，“[a-z] ”可以匹配“a ”到“z ”范围内的任意小写字母字符。
[^a-z]	负值字符范围。匹配任何不在指定范围内的任意字符。例如，“[^a-z] ”可以匹配任何不在“a ”到“z ”范围内的任意字符。
/b	匹配一个单词边界，也就是指单词和空格间的位置。例如，“er/b ”可以匹配“never ”中的“er ”，但不能匹配“verb ”中的“er ”。
/B	匹配非单词边界。“er/B ”能匹配“verb ”中的“er ”，但不能匹配“never ”中的“er ”。
/cx	匹配由x指明的控制字符。例如，/cM匹配一个Control-M或回车符。x的值必须为A-Z或a-z之一。否则，将c视为一个原义的“c ”字符。
/d	匹配一个数字字符。等价于[0-9]。
/D	匹配一个非数字字符。等价于[^0-9]。
/f	匹配一个换页符。等价于/x0c和/cL。
/n	匹配一个换行符。等价于/x0a和/cJ。
/r	匹配一个回车符。等价于/x0d和/cM。
/s	匹配任何空白字符，包括空格、制表符、换页符等等。等价于[/f/n/r/t/v]。
/S	匹配任何非空白字符。等价于[^/f/n/r/t/v]。
/t	匹配一个制表符。等价于/x09和/cI。
/v	匹配一个垂直制表符。等价于/x0b和/cK。
/w	匹配包括下划线的任何单词字符。等价于“[A-Za-z0-9_] ”。
/W	匹配任何非单词字符。等价于“[^A-Za-z0-9_] ”。
/xn	匹配n ，其中n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如，“/x41 ”匹配“A ”。“/x041 ”则等价于“/x04&1 ”。正则表达式中可以使用ASCII编码。.
/num	匹配num ，其中num 是一个正整数。对所获取的匹配的引用。例如，“(.)/1 ”匹配两个连续的相同字符。
/n	标识一个八进制转义值或一个向后引用。如果/n 之前至少n 个获取的子表达式，则n 为向后引用。否则，如果n 为八进制数字（0-7），则n 为一个八进制转义值。
/nm	标识一个八进制转义值或一个向后引用。如果/nm 之前至少有nm 个获得子表达式，则nm 为向后引用。如果/nm 之前至少有n 个获取，则n 为一个后跟文字m 的向后引用。如果前面的条件都不满足，若n 和m 均为八进制数字（0-7），则/nm 将匹配八进制转义值nm 。
/nml	如果n 为八进制数字（0-3），且m和l 均为八进制数字（0-7），则匹配八进制转义值nm l。
/un	匹配n ，其中n 是一个用四个十六进制数字表示的Unicode字符。例如，/u00A9匹配版权符号（©）。

[编辑 ] 示例

以下是以 PHP 的语法所写的示例

• 验证字符串是否只含数字与英文，字符串长度并在4~16个字符之间

<?php


$str
 =
 'a1234'
;


if
 (
preg_match
(
"^[a-zA-Z0-9]{4,16}$"
,
 $str
)
)
 {


    echo
 "驗證成功"
;


}
 else
 {


    echo
 "驗證失敗"
;


}


?>

• 简易的台湾身份证 字号验证

<?php


$str
 =
 'a1234'
;


if
 (
preg_match
(
"/^/w[12]/d{8}$/"
,
 $str
)
)
 {


    echo
 "驗證成功"
;


}
 else
 {


    echo
 "驗證失敗"
;


}


?>

• 以下示例是用 Perl 语言写的，与上面的示例功能相同

print
 $str
 =
 "a1234"
 =~
 m
:^
[
a-
zA-
Z0-
9
]
{
4
,
16
}
$:
 ?
 "COMFIRM"
 :
 "FAILED"
;

print
 $str
 =
 "a1234"
 =~
 m
"^/w
[12]/d
{8}$"
 ?
 "COMFIRM"
 :
 "INVALID"
;

[编辑 ] 常用正则表达式

用户名

/^[a-z0-9_-]{3,16}$/

密码

/^[a-z0-9_-]{6,18}$/

十六进制值

/^#?([a-f0-9]{6}|[a-f0-9]{3})$/

电子邮箱

/^([a-z0-9_/.-]+)@([/da-z/.-]+)/.([a-z/.]{2,6})$/

URL

/^(https?:////)?([/da-z/.-]+)/.([a-z/.]{2,6})([///w /.-]*)*//?$/

IP 地址

/^(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)/.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)$/

HTML 标签

/^<([a-z]+)([^<]+)*(?:>(.*)<///1>|/s+//>)$/

Unicode编码中的汉字范围

/^[^u4e00-u9fa5],{0,}$/